# Марио Цехнер о будущем программирования: «Не позволяйте ИИ проектировать архитектуру, он учился на плохом коде»

Источник: https://www.youtube.com/watch?v=sqtX2OmgOF0
Канал: David Ondrej
Опубликовано: 03.05.2026

---

В эпоху доминирования больших языковых моделей (LLM) индустрия разработки ПО переживает фундаментальную трансформацию. Марио Цехнер (Mario Zechner), создатель ИИ-агента Pi (проект Tokens), в беседе с Дэвидом Ондреем (David Ondrej) анализирует, почему популярные инструменты вроде Claude Code теряют эффективность из-за избыточных функций, как «экономика токенов» создает новый разрыв между богатыми и бедными, и почему человеческое понимание архитектуры остается единственной защитой от «мусорного кода», генерируемого ИИ.

## 🤖 Рождение Pi: от Claude Code к собственной «инструментальной обвязке»
[[JUMP:00:26]]

Марио Цехнер занимается машинным обучением и NLP с начала 2000-х годов [00:39]. Несмотря на многолетний опыт, настоящий прорыв в использовании LLM для разработки он зафиксировал лишь в 2024 году с появлением редактора Cursor, а затем — Claude Code [01:06]. По словам Марио, ключевой инновацией команды Anthropic стало предоставление агенту доступа к терминалу (bash), что позволило модели самостоятельно исследовать кодовую базу [02:00]. Это явление получило название «агентированный поиск» (agentic search).

Однако успех Claude Code привел к типичной проблеме растущих продуктов — перенасыщению функциями (bloatware). Марио Цехнер отмечает несколько критических проблем, возникших в Claude Code к лету 2025 года:

*   **«Максимизация токенов»:** По мнению Марио, разработчики начали добавлять функции, которые неоправданно увеличивают расход токенов.
*   **Нестабильность системных промптов:** Постоянные изменения во внутренней логике приложения начали ломать устоявшиеся рабочие процессы пользователя [03:17].
*   **«Лоботомия» сессий:** В марте 2025 года Anthropic внедрила очистку «цепочек размышлений» (thinking traces) после часа бездействия для снижения задержек [05:12]. По утверждению Цехнера, это лишает модель памяти о контексте сессии, фактически обнуляя прогресс сложной задачи.

Именно стремление к полному контролю над контекстом и системным промптом побудило Марио создать Pi — минималистичный и стабильный инструмент, лишенный «лишнего мусора» [05:50].

## 💰 Экономика токенов: «Игра для богатых»
[[JUMP:10:59]]

Марио Цехнер и Дэвид Ондрей сошлись во мнении, что текущий этап развития ИИ превращается в «игру для богатых». Обладание средствами производства сегодня означает способность оплачивать огромные счета за токены [13:08].

*   **Ценовой барьер:** Подписка в $200 в месяц на продвинутых агентов (например, план Codex) уже является экономическим барьером для 99% населения планеты, хотя в ИТ-тусовке эта сумма кажется «копейками» [13:20].
*   **Преимущество профессионалов:** Марио считает, что опытные разработчики получают кратное преимущество, так как знают, как именно использовать рычаг (leverage) ИИ-агентов.
*   **Внутренняя эффективность:** По оценке Дэвида Ондрея, 80–90% реальной пользы от ИИ сейчас извлекается внутри компаний для автоматизации рутины, а не в создании новых публичных продуктов [14:24].

В качестве примера Марио привел свою жену-лингвиста. Будучи далекой от программирования, она с помощью Claude Code за два вечера научилась писать Python-скрипты для обработки 18 000 строк данных в Excel и генерации сложных графиков. Ее продуктивность выросла в 5 раз [15:57]. При этом, как подчеркивает Марио, код может быть «абсолютным слопом» (некачественным), но если он экономит время и решает задачу — это работает [16:35].

## 🇨🇳 Наступление китайских моделей и оптимизация затрат
[[JUMP:17:43]]

Оба участника дискуссии с энтузиазмом встретили появление новых моделей с открытыми весами, таких как DeepSeek-V4 и Kimi (Kimmy). По мнению Марио, американские лаборатории вроде Anthropic удерживают маржинальность на уровне 70% и выше, но китайские конкуренты начинают «разрушать их токеномику» [18:49].

*   **Локальный запуск:** Марио экспериментирует с запуском моделей Kimmy на собственных GPU-кластерах, что обходится дешевле, чем API Anthropic, при сопоставимом уровне интеллекта [19:17].
*   **Конфиденциальность:** Собственный хостинг позволяет оставлять данные внутри компании, что критически важно для бизнеса [21:27].
*   **Требования к железу:** Дэвид Ондрей отметил, что для комфортной работы с локальными моделями (например, новыми Gemma или DeepSeek) ему уже не хватает 128 ГБ ОЗУ на MacBook, и он ожидает модели с 256 ГБ для запуска сетей на 300+ млрд параметров [22:48].

## 🇪🇺 Почему Европа проигрывает ИИ-гонку?
[[JUMP:24:48]]

Обсуждая отсутствие значимых ИИ-игроков в Европе, Марио Цехнер выделил системные причины, не связанные с регуляцией (AI Act):

1.  **Утечка мозгов:** США активно переманивают таланты из Европы и Китая, предлагая капиталы, которых нет в ЕС [25:01].
2.  **Юридическая фрагментация:** В США регистрация компании в Делавэре дает единый правовой фреймворк для всех штатов. В Европе при открытии офиса в новой стране приходится сталкиваться с уникальным законодательством [26:47].
3.  **Сложность инвестиций:** Механизмы опционов (RSU) и налогообложения в ЕС гораздо сложнее и менее выгодны для сотрудников и инвесторов, чем в США [27:14].

Марио поддерживает движение **EU Inc.**, направленное на унификацию корпоративного права в Евросоюзе, но выражает скепсис относительно способности бюрократов реализовать это без ошибок [28:06].

## 🛠️ Ворклоу и архитектурное мышление
[[JUMP:38:42]]

Марио Цехнер раскрыл свой подход к разработке с помощью Pi. Его рабочий процесс строится на строгих шаблонах промптов:

1.  **Анализ:** Агент получает задачу из GitHub, анализирует её и предлагает план реализации.
2.  **Параллелизм:** Марио запускает до 4 терминалов с разными задачами одновременно [39:07].
3.  **Человеческий контроль:** Рефакторинг и изменения в API Марио часто делает вручную, чтобы сохранить «чувство кода» и понимание системы [40:27].

**Главное предостережение для молодых разработчиков:** ИИ отлично справляется с написанием кода (синтаксисом), но плох в проектировании систем (архитектуре). Модели обучались на огромном количестве старого и некачественного кода из интернета [42:39]. Если доверить ИИ дизайн системы, он предложит усредненное, посредственное решение.

## 🧠 Пределы LLM: проблема обучающих данных
[[JUMP:44:24]]

Марио Цехнер выдвинул гипотезу, почему ИИ вряд ли заменит человека в высших когнитивных задачах в ближайшее время. Проблема заключается в «облаке данных»:

*   **Интерполяция vs Экстраполяция:** Модель может комбинировать точки внутри «облака» изученных данных, но не способна выйти за его пределы [43:31].
*   **Отсутствие данных о процессе:** В интернете много готового кода (результата), но практически нет записей самого процесса проектирования и принятия архитектурных решений [45:28].
*   **Статистическая предвзятость:** 90% кода в обучающей выборке — «мусор». Высококачественные, гениальные решения составляют ничтожную долю и подавляются статистической мощью посредственных примеров при обучении [46:21].

«Мягкие человеческие навыки», жизненный опыт и вкус — это то, что невозможно закодировать в токены [47:13]. Именно это, по мнению гостя, останется главным преимуществом человека.